Los avances en la representación de texto han producido muchos modelos de lenguaje profundos (LM), como Word2Vec y LMs basados en redes recurrentes. Sin embargo, hay escasos trabajos que se centran en detectar sentimientos implícitos con una pequeña cantidad de datos etiquetados debido a que hay muchas áreas de revisión diferentes. Las técnicas de aprendizaje profundo son adecuadas para automatizar el proceso de aprendizaje de representación. Por lo tanto, propusimos un modelo de análisis de sentimientos basado en aspectos (ABSA) semi-supervisado para reseñas en línea para predecir sentimientos explícitos e implícitos en tres dominios (portátil, restaurante y hotel). Los conjuntos de datos de este estudio, S1 y S2, se obtuvieron de una competencia en línea estándar de SemEval y conjuntos de datos de reseñas de Amazon. Los modelos propuestos superan a los modelos de referencia anteriores en cuanto a la puntuación F1 de detección de categorías de aspecto y precisión en la detección de sentimientos. Este estudio encuentra aspectos más relevantes y sentimientos más precisos para ABSA al desarrollar modelos más estables y robustos. La precisión en la detección de sentimientos es del 84.87% en el dominio de restaurantes en el primer conjunto de datos. Para el segundo conjunto de datos, el método propuesto logró un 84.43% en el dominio de portátiles, un 85.21% en el dominio de restaurantes y un 85.57% en el dominio de hoteles. La novedad es el nuevo modelo semi-supervisado propuesto para la detección de sentimientos de aspecto con un aspecto incrustado inspirado en la arquitectura de codificador-decodificador en el modelo de traducción automática neuronal (NMT).